EP Computación Científica

Permanent URI for this communityhttps://hdl.handle.net/20.500.12672/5099

Browse

Browsing EP Computación Científica by Subject "Aprendizaje automático (Inteligencia artificial)"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Comparación de modelos de machine learning para determinar la evaluación de traductores profesionales frente a la calidad de la traducción automática de textos
    (Universidad Nacional Mayor de San Marcos, 2021) Ichpas Ramos, Patricia; Benito Pacheco, Oscar
    En esta investigación se planteó abordar la comparación de modelos de machine learning (ML, por sus siglas en inglés) para determinar la evaluación de traductores profesionales frente a la calidad del resultado de la traducción automática (TA, por sus siglas en inglés) de textos usando el indicador Accuracy con un enfoque cuantitativo y comparativo ya que se realizará un análisis estadístico de los resultados de la encuesta en línea a traductores profesionales con preguntas de opinión personal y selección múltiple de 30 textos traducidos de (inglés - español), que consiste en asignar una evaluación de acuerdo al punto de vista del traductor y análisis del nivel de calidad de la traducción del texto con cuatro alternativas (excelente, bueno, regular y malo) para describirlas, cuantificarlas y almacenar la información en una base de datos para proceder con el estudio comparativo para lo cual se usará el algoritmo de ML K-vecinos más cercanos (KNN, por sus siglas en inglés) y árboles de clasificación y regresión (CART, por sus siglas en inglés) con la finalidad de comparar estos modelos y encontrar la mejor respuesta aproximada respondiendo a la pregunta ¿Cuál es el modelo de ML que se aproxima a las respuestas de evaluación de traductores profesionales respecto a la calidad del resultado de la TA de textos?
  • Thumbnail Image
    Item
    Comparación de modelos de Machine Learning para determinar qué modelo se aproxima más a una asignación manual en ServiceDesk
    (Universidad Nacional Mayor de San Marcos, 2023) Paullo Montes, Flor de Milagro; Guzman Rea, Omar Stevenson
    Realiza una comparación de algoritmos de aprendizaje automático para categorizar automáticamente los tickets del ServiceDesk debido al enorme número generado. Esto se debe a un problema con el tiempo necesario para generar tickets (solicitudes, incidentes y requerimientos). Mediante la utilización de tecnologías de aprendizaje automático que permiten la asignación automatizada de grupos de soluciones de proveedores que atienden a empresas de alto consumo, el modelo sugerido pretende mejorar el procedimiento de designación de tickets del ServiceDesk. Para la verificación se utilizaron los datos de los tickets de la empresa y se realizaron pruebas para validar el modelo. Los datos recopilados se utilizaron para construir un modelo de aprendizaje automático que proporcionó los datos necesarios para clasificar los tickets en varios grupos de soluciones (SupportMG, SupportDevmente, SupportTI y ProjectsTI) y categorizarlos en función del tipo.